Wie Tool-Nutzung funktioniert

Anthropic-Schema-Tools (client-seitig ausgeführt)

Für eine Handvoll gängiger Operationen (Ausführen von Shell-Befehlen, Bearbeiten von Dateien, Steuern eines Browsers, Verwalten des Scratchpad-Speichers) veröffentlicht Anthropic das Tool-Schema und Ihre Anwendung übernimmt die Ausführung. Die Tools in dieser Kategorie sind bash, text_editor, computer und memory.

Das Ausführungsmodell ist identisch mit benutzerdefinierten Tools: Die Antwort enthält einen tool_use-Block, Ihr Code führt die Operation aus, und Sie senden ein tool_result zurück. Der Grund, ein Anthropic-Schema-Tool anstelle eines eigenen Äquivalents zu verwenden, besteht darin, dass diese Schemas trainiert sind. Claude wurde auf Tausenden erfolgreicher Trajektorien optimiert, die genau diese Tool-Signaturen verwenden, sodass es sie zuverlässiger aufruft und sich eleganter von Fehlern erholt als bei einem benutzerdefinierten Tool, das dasselbe tut. Das Schema ist die Schnittstelle, die das Modell bereits erwartet.

Server-seitig ausgeführte Tools

Für web_search, web_fetch, code_execution und tool_search führt Anthropic den Code aus. Sie aktivieren das Tool in Ihrer Anfrage und der Server übernimmt alles andere. Sie konstruieren niemals einen tool_result-Block für diese Tools, da die server-seitige Schleife die Operation ausführt und die Ausgabe zurück an das Modell sendet, bevor die Antwort Sie erreicht.

Die Antwort, die Sie erhalten, enthält server_tool_use-Blöcke, die zeigen, was ausgeführt wurde und was zurückgekommen ist, aber wenn Sie sie sehen, ist die Ausführung bereits abgeschlossen. Die Aufgabe Ihrer Anwendung besteht darin, das Tool zu aktivieren und die endgültige Antwort zu lesen, nicht an der Ausführungsschleife teilzunehmen.

Die agentische Schleife (Client-Tools)

Client-seitig ausgeführte Tools (sowohl benutzerdefinierte als auch Anthropic-Schema) erfordern, dass Ihre Anwendung eine Schleife steuert. Das Modell kann Ihren Code nicht ausführen, daher ist jeder Tool-Aufruf ein Hin- und Rückweg: Das Modell fragt, Sie führen aus, Sie berichten zurück, das Modell fährt fort.

Die kanonische Form ist eine while-Schleife, die auf stop_reason basiert:

1. Senden Sie eine Anfrage mit Ihrem tools-Array und der Benutzernachricht.
2. Claude antwortet mit stop_reason: "tool_use" und einem oder mehreren tool_use-Blöcken.
3. Führen Sie jedes Tool aus. Formatieren Sie die Ausgaben als tool_result-Blöcke.
4. Senden Sie eine neue Anfrage, die die ursprünglichen Nachrichten, die Antwort des Assistenten und eine Benutzernachricht mit den tool_result-Blöcken enthält.
5. Wiederholen Sie ab Schritt 2, solange stop_reason "tool_use" ist.

In der Praxis liest sich dies so: Solange stop_reason == "tool_use", führen Sie die Tools aus und setzen Sie das Gespräch fort. Die Schleife endet bei jedem anderen Stop-Grund ("end_turn", "max_tokens", "stop_sequence" oder "refusal"), was bedeutet, dass Claude entweder eine endgültige Antwort produziert hat oder aus einem anderen Grund gestoppt hat, den Ihre Anwendung behandeln sollte.

Für die Mechanik des Erstellens von Anfragen, der Verarbeitung paralleler Tool-Aufrufe und der Formatierung von Ergebnissen siehe Tool-Aufrufe verarbeiten.

Die server-seitige Schleife

Server-seitig ausgeführte Tools führen ihre eigene Schleife innerhalb der Infrastruktur von Anthropic aus. Eine einzelne Anfrage Ihrer Anwendung kann mehrere Web-Suchen oder Code-Ausführungen auslösen, bevor eine Antwort zurückkommt. Das Modell sucht, liest Ergebnisse, entscheidet sich erneut zu suchen und iteriert, bis es hat, was es braucht – alles ohne Beteiligung Ihrer Anwendung.

Diese interne Schleife hat ein Iterationslimit. Wenn das Modell noch iteriert, wenn es die Obergrenze erreicht, kommt die Antwort mit stop_reason: "pause_turn" anstelle von "end_turn" zurück. Ein pausierter Turn bedeutet, dass die Arbeit nicht abgeschlossen ist; senden Sie das Gespräch erneut (einschließlich der pausierten Antwort), damit das Modell dort weitermachen kann, wo es aufgehört hat. Siehe Server-Tools für das Fortsetzungsmuster.

Wann Tools verwendet werden sollten (und wann nicht)

Tool-Nutzung passt, wenn die Aufgabe etwas erfordert, das das Modell nicht allein aus Text heraus tun kann:

• Aktionen mit Nebeneffekten. Eine E-Mail senden, eine Datei schreiben, einen Datensatz aktualisieren. Das Modell kann diese Aktionen beschreiben, aber nur ein Tool kann sie ausführen.
• Aktuelle oder externe Daten. Aktuelle Preise, das heutige Wetter, der Inhalt einer Datenbank. Alles außerhalb der Trainingsdaten oder spezifisch für Ihr System benötigt ein Tool zum Abrufen.
• Strukturierte, garantiert geformte Ausgaben. Wenn Sie ein JSON-Objekt mit bestimmten Feldern benötigen anstatt Prosa, die zufällig die Informationen enthält, erzwingt ein Tool-Schema die Form.
• Aufrufen bestehender Systeme. Datenbanken, interne APIs, Dateisysteme. Tool-Nutzung ist die Brücke zwischen natürlichsprachlichen Anfragen und den Systemen, die sie erfüllen.

Das Zeichen, dass Sie Tools verwenden sollten: Wenn Sie einen regulären Ausdruck schreiben, um eine Entscheidung aus der Modellausgabe zu extrahieren, hätte diese Entscheidung ein Tool-Aufruf sein sollen. Das Parsen von Freitext zur Wiederherstellung strukturierter Absicht ist ein Zeichen dafür, dass die Struktur in das Schema gehört.

Tool-Nutzung passt nicht, wenn:

• Das Modell aus dem Training allein antworten kann. Zusammenfassung, Übersetzung und allgemeine Wissensfragen benötigen keinen Tool-Hin-und-Rückweg.
• Die Interaktion ein einmaliges Q&A ohne Nebeneffekte ist. Wenn nichts ausgeführt werden muss, gibt es nichts für ein Tool zu tun.
• Die Latenz von Tool-Aufrufen eine triviale Antwort dominieren würde. Jeder Tool-Aufruf ist mindestens ein zusätzlicher Hin- und Rückweg; bei leichten Aufgaben kann der Overhead die Arbeit übersteigen.

Auswahl zwischen Ansätzen

Nächste Schritte